이 공고, 이렇게 물어볼 겁니다

Retrieval 모델을 개발하고 서비스에 적용한 경험에서, 실제 성과를 연결한 사례를 하나 꼽아서 말씀해주세요.

🎯 Retrieval 모델 개발 및 서비스 적용 경험 확인

Cold-start 문제를 해결하기 위해 콘텐츠 기반 추천이나 Bandit 기반 탐색을 적용한 경험에서, 초기 반응 예측과 노출 배분 실험을 어떻게 주도했나요? 구체적으로 어떤 지표를 사용했나요?

🎯 Cold-start 문제 해결 경험 확인

Two-Tower와 ANN 기반 검색을 서비스에 적용한 경험에서, 최종 랭커의 판단을 Light Ranker에 반영하기 위해 어떤 접근 방법을 사용했나요? 그 결과는 어떻게 측정했나요?

🎯 Two-Tower와 ANN 기반 검색 적용 경험 확인

다양한 Retrieval Source를 만들고, 각 Source의 기여도와 중복, 커버리지를 분석해 조합을 개선한 경험에서, 어떤 문제가 발생했는지와 어떻게 해결했는지 구체적으로 설명해주세요.

🎯 Retrieval Source 개발 및 개선 경험 확인

질문만 읽으면 컨닝이에요. 소리 내어 답해보세요 — 어디서 틀어지는지 짚어드립니다.

공고 내용

ML Engineer(Ads Retrieval)는 Applied AI Chapter에 소속되면서 동시에 광고 도메인(사업부)에 배치되어요.
광고 도메인의 각 팀은 Product Owner, ML Engineer, Data Analyst, Server Developer 등 다양한 직군으로 구성되어 있고, 작은 스타트업처럼 자율성을 갖고 일하고 있어요.

방대한 상품 카탈로그에서 사용자에게 적합한 광고 후보를 찾아요. 다양한 Retrieval Source를 만들고 개선하며, 기존 추천이 놓치던 상품과 사용자의 연결을 넓혀요.
Retrieval과 Light Ranker의 후보 품질을 높여요. 제한된 응답 시간 안에서 좋은 후보를 확보하고, 최종 랭커가 더 좋은 선택을 할 수 있도록 후보 생성과 선별 구조를 개선해요.
신규 상품과 행동 데이터가 부족한 상품의 Cold-start 문제를 풀어요. 상품의 가능성을 발견하고 적절한 노출 기회를 제공하면서, 사용자 경험과 광고 성과를 함께 높여요.
후보 품질의 개선을 실제 성과로 연결해요. 어떤 상품이 후보에서 누락되고 어떤 후보가 성과에 기여하는지 분석하고, 실험을 통해 추천과 광고 성과를 개선해요.

추천, 검색 또는 광고 서비스에서 후보 생성이나 선별 모델을 직접 개발한 경험이 필요해요. Retrieval이나 Light Ranker 등 관련 모델을 학습하고, 서비스 적용에 필요한 코드를 직접 구현해 본 분을 찾고 있어요.
학습 데이터부터 후보 품질까지 함께 다룰 수 있는 분이면 좋아요. 사용자 행동과 상품 데이터로 학습셋을 구성하고, 모델의 성능을 평가하고 추적한 경험을 중요하게 생각해요. 최종 랭커의 목적을 고려해 후보 생성과 선별 방식을 개선해 본 분을 찾고 있어요.
Problem Solver를 찾고 있어요. 데이터로 문제를 정의하고, 직접 구현과 실험을 반복하며 개선을 만들어 본 분이면 좋아요. 오프라인 평가와 A/B 실험 결과를 해석하고, 다음 가설과 실행으로 연결한 경험을 중요하게 생각해요.

커머스 상품 카탈로그에서 Retrieval을 개발한 경험이 있으면 좋아요.
다양한 Retrieval Source를 직접 만들고, 각 Source의 기여도와 중복, 커버리지를 분석해 조합을 개선한 경험이 있으면 좋아요.
Two-Tower와 ANN 기반 검색을 서비스에 적용하거나, 최종 랭커의 판단을 Light Ranker에 반영해 본 경험이 있으면 좋아요.
콘텐츠 기반 추천이나 Bandit 기반 탐색 등으로 Cold-start를 개선한 경험이 있으면 좋아요. 초기 반응을 예상하고 노출 배분 실험을 주도해 본 경험을 환영해요.

토스로의 합류여정

서류 접수 > 프리인터뷰 > 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우 협의 > 최종 합격